Context Engineering for AI Agents @weaviate_io 這篇最新部落格幫咱們重新系統梳理了AI Agent 中的「上下文工程」，為模型搭建一個包含記憶、工具和知識庫的完整生存環境。配圖依舊很讚，對理論和方法的理解很有幫助，推薦朋友去讀原文。 核心觀點：模型不僅需要“指令”，更需要“世界” 提出了一個反直覺但至關重要的觀點：強大的LLM 本身是不夠的。即使是最聰明的模型，也是「孤獨的大腦」。它們面臨三大先天缺陷： · 幻覺：自信地胡說八道。 · 知識隔離：缺乏特定的私有資料或即時世界知識。 · 無記憶：記不住上一秒的對話。 情境工程正是為了解決這些問題： 它不僅僅是寫出更好的提示詞，而是建立一套架構，確保在正確的時間，將正確的資訊投餵給模型。 它的目標是將孤立的模型與現實世界連結起來，讓模型在推理時有完整的「上下文環境」。 情境工程的五大支柱文章將情境工程拆解為五個核心的架構模式，這也是建構生產級AI 應用的藍圖： · Agent：大腦，作為系統的決策中心；避免讓模型盲目行動，需要設計清晰的決策流程和回退機制。 · Query Augmentation：翻譯官，將使用者模糊的自然語言轉化為機器可執行的精準意圖。 ；例如將「幫我找上週開會說的那個文件」轉換為包含時間、文件類型、關鍵字的精確檢索指令。 · Retrieval：圖書館，連接外部知識庫；核心在於平衡“召回率”與“精準度”，避免資訊過載或關鍵資訊遺漏。 · Memory：海馬體，賦予系統歷史感和學習能力；記憶不是簡單的資料存儲，需要考慮時間衰減、重要性權重和隱私保護。 · Tools：雙手，讓AI 能與即時數據和API 互動；使AI 不再局限於生成文本，而是能真正執行操作（如查庫存、發郵件）。 方法論的典範轉移· 過去（提示詞工程）：不僅依賴模型本身的智力，花費大量時間調整Prompt 的措詞。 · 現在（情境工程）：將重點放在系統設計上。即使使用中等參數規模的模型，如果情境工程（資料管道、檢索品質、記憶管理）做得好，效果往往優於單純使用超大模型但缺乏情境支援的系統。 閱讀原文
